CN114155238B - 分析图像传感器白像素分布的方法、装置、设备和介质 - Google Patents
分析图像传感器白像素分布的方法、装置、设备和介质 Download PDFInfo
- Publication number
- CN114155238B CN114155238B CN202111508498.9A CN202111508498A CN114155238B CN 114155238 B CN114155238 B CN 114155238B CN 202111508498 A CN202111508498 A CN 202111508498A CN 114155238 B CN114155238 B CN 114155238B
- Authority
- CN
- China
- Prior art keywords
- data
- white pixel
- pixel distribution
- cavity
- hardware
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 121
- 238000009826 distribution Methods 0.000 title claims abstract description 116
- 238000012545 processing Methods 0.000 claims abstract description 35
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 22
- 238000004458 analytical method Methods 0.000 claims abstract description 17
- 230000008569 process Effects 0.000 claims description 39
- 238000010586 diagram Methods 0.000 claims description 27
- 238000003860 storage Methods 0.000 claims description 10
- 230000002068 genetic effect Effects 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 7
- 238000002372 labelling Methods 0.000 claims description 6
- 238000004140 cleaning Methods 0.000 claims description 5
- 239000000758 substrate Substances 0.000 claims 1
- 230000000007 visual effect Effects 0.000 abstract description 5
- 238000013461 design Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000009286 beneficial effect Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 238000007637 random forest analysis Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000000295 complement effect Effects 0.000 description 2
- 238000003064 k means clustering Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000002184 metal Substances 0.000 description 2
- 229910044991 metal oxide Inorganic materials 0.000 description 2
- 150000004706 metal oxides Chemical class 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000012896 Statistical algorithm Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 239000004020 conductor Substances 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种分析图像传感器白像素分布的方法，将图像数据进行二值化处理，得到二值图；从二值图中提取白像素分布特征；对特征进行聚类分组，并标记聚类集合的特征，得到标签数据组；将设备数据结构化获得硬件数据，通过硬件数据结合标签数据组构建数据集；对标签数据组进行时序统计，提取数据集中的特定标签数据的产生的时域，构建子数据集；通过算法处理子数据集中的硬件数据，得到硬件数据的特征重要度；依据特征重要度排列硬件数据，统计特定标签数据和前N个最重要的特征；对特定标签数据做可视化分析，最终确定导致特定的白像素分布产生的原因。该方法用于解决分析方法效率低，无法准确确定产生白像素的工艺问题。
Description
技术领域
本发明涉及图像传感器的制造领域，尤其涉及分析图像传感器白像素分布的方法、装置、设备和介质。
背景技术
白像素分布是衡量图像传感器的关键指标之一，图像传感器中白像素分布情况直接关系到其产生的图像质量，尤其是在低光或高温下产生图像的均匀性。产生白像素的根本原因是图像传感器芯片所在图像传感器芯片表面具有缺陷或图像传感器芯片表面被金属玷污，缺陷和金属玷污物可能来源于物料、机台和工艺等。
现有技术中针对图像传感器输出的图像通常进行人工分析，以经验值或者肉眼观察的方式确定白像素，并采用肉眼观察的方式总结出白像素分布情况，再根据制造经验确定造成白像素分布的原因。该方法效率低，只能对图像传感器的测试数据进行简单扼要的分析，无法对白像素进行有效分类，进而无法准确确定产生白像素的工艺问题。因此，亟需分析图像传感器白像素分布的方法、装置、设备和介质以改善上述问题。
发明内容
本发明的目的在于提供分析图像传感器白像素分布的方法、装置、设备和介质，该方法用于解决分析方法效率低，无法准确确定产生白像素的工艺问题。
第一方面，本发明提供一种分析图像传感器白像素分布的方法，所述方法包括：将图像传感器在测试中获取的图像数据进行二值化处理，得到二值图；从所述二值图中提取白像素分布特征；依据聚类算法对所述白像素分布特征进行聚类分组，并标记聚类集合的白像素分布所述特征，得到标签数据组；所述标签数据组包含有若干特定标签数据；将设备数据结构化获得硬件数据，通过所述硬件数据结合所述标签数据组构建数据集；对所述标签数据组进行时序统计，提取所述数据集中的所述特定标签数据的产生的时域，利用所述时域中的所述硬件数据和所述特定标签数据，构建子数据集；处理所述子数据集中的所述硬件数据，得到所述硬件数据的特征重要度；依据所述特征重要度排列所述硬件数据，统计所述特定标签数据和前N个最重要的导致所述白像素分布产生的硬件特征，N为大于零的整数；对所述特定标签数据做人工分析，最终确定导致特定的所述白像素分布特征产生的工艺原因。
本发明的分析图像传感器白像素分布的方法有益效果为：通过二值化处理图像数据，便于提取所述白像素分布特征；由于造成白像素的工艺原因和白像素的分布特征之间具有一定的对应关系，通过对所述白像素分布特征进行聚类分组，从而实现聚类结果到所述白像素分布特征的映射，有利于减少人工判断所述白像素分布特征时使用的图像数据；标记每一类聚类集合的所述白像素分布特征，得到标签数据，便于后续分析；将设备数据结构化能够在数据集中根据特定的所述白像素分布特征所在的标签对应到硬件数据；通过计算特征重要度，排列所述硬件数据，能够获得前N个最重要的导致所述白像素分布产生的硬件特征，通过对所述特定标签数据做人工分析，实现快速准确地判断造成白像素分布的工艺原因。
可选的，所述将设备数据结构化包括腔体编码赋值和数据清洗；所述腔体编码赋值包括，对腔体编码通过演化算法或具有遗传特性的编码方法进行赋值，生成若干腔体数据；所述腔体数据用于区分图像传感器芯片在流片过程中是否经过所述腔体编码对应的腔体；所述数据清洗包括：仅保留所述图像传感器芯片在同一腔体中，时间跨度最长的腔体数据，记为硬件数据。其有益效果在于，对腔体编码通过演化算法或具有遗传特性的编码方法进行赋值，生成若干腔体数据，能够明确图像传感器芯片在流片过程中经过了哪些腔体，便于排查工艺原因；通过数据清洗筛去了腔体数据中的冗余数据，有利于提升计算效率。
可选的，所述方法还包括合并聚类，用于将同一工艺原因导致的所述白像素分布特征聚类标记为同一个标签，将不同工艺原因导致的所述白像素分布特征聚类标记为不同标签。其有益效果在于，通过合并聚类使标签直接对应工艺原因，有利于通过各标签的数量快速分析最主要的工艺原因。
可选的，所述方法还包括：对所述标签数据组进行时序统计，绘制所述特定标签数据的数量在时序中的布林带图，以所述布林带图的上轨的最低点之间的时段为时域，提取所述数据集在所述时域中的所述硬件数据和所述特定标签数据，构建子数据集。其有益效果在于，通过提取所述时域所述硬件数据和所述特定标签数据，构建子数据集能够减少不相关数据，便于通过算法学习训练，提升所述方法判断产生特定的白像素分布工艺原因的精准性。
可选的，所述方法还包括：对所述特征重要度从大到小排序后画出特征重要度曲线；根据所述特征重要度曲线选取拐点前的N个特征，N为大于零的正整数。其有益效果在于，通过取拐点前的N个最重要的特征，确定最主要的产生特定的白像素分布的工艺原因，有利于寻找导致特定的白像素分布根本原因。
可选的，所述方法还包括：通过计算特定的所述白像素分布特征在流片顺序中的重复周期，辅助判断特定的所述白像素分布特征的产生原因。其有益效果在于，能够直接通过所述白像素分布特征在流片顺序中的重复周期预先判断所述白像素分布特征的产生原因，有利于迅速发现造成特定白像素分布的原因。
第二方面，本发明提供一种分析图像传感器白像素分布的装置，用于所述第一方面中任一项所述的方法，所述装置包括：预处理单元，用于将图像传感器在测试中获取的图像数据进行二值化处理，得到二值图；所述预处理单元还用于从所述二值图中提取白像素分布特征；数据标记单元，用于对所述白像素分布特征进行聚类分组，并标记聚类集合的白像素分布所述特征，得到标签数据组；所述标签数据组包含有若干特定标签数据；数据结构化单元，用于将设备数据结构化获得硬件数据，通过所述硬件数据结合所述标签数据组构建数据集；时域分析单元，用于对所述标签数据组进行时序统计，提取所述数据集中的所述特定标签数据的产生的时域，利用所述时域中的所述硬件数据和所述特定标签数据，构建子数据集；处理所述子数据集中的所述硬件数据，得到所述硬件数据的特征重要度；处理单元，用于依据所述特征重要度排列所述硬件数据，统计所述特定标签数据和确定的前N个最重要的所述特征，N为大于零的整数；用于对所述特定标签数据做人工分析，最终确定导致特定的所述白像素分布特征产生的工艺原因。
可选的，所述数据结构化单元还用于腔体编码赋值和数据清洗；所述腔体编码赋值包括，对腔体编码通过演化算法或具有遗传特性的编码方法进行赋值，生成若干腔体数据；所述腔体数据用于区分图像传感器芯片在流片过程中是否经过所述腔体编码对应的腔体；所述数据清洗包括：仅保留所述图像传感器芯片在同一腔体中，时间跨度最长的腔体数据，记为硬件数据。
可选的，所述数据标记单元还用于合并聚类，包括：将同一工艺原因导致的所述白像素分布特征聚类标记为同一个标签，不同工艺原因导致的所述白像素分布特征聚类标记为不同标签。
可选的，所述时域分析单元还用于对所述标签数据组进行时序统计，绘制所述特定标签数据的数量在时序中的布林带图，以所述布林带图的上轨的最低点之间的时段为时域，提取所述数据集在所述时域中的所述硬件数据和所述特定标签数据，构建子数据集。
可选的，所述处理单元还用于对所述特征重要度从大到小排序后画出特征重要度曲线；根据所述特征重要度曲线选取拐点前的N个特征，N为大于零的正整数。
可选的，所述装置还包括预判单元，用于通过所述白像素分布特征在流片顺序中的重复周期辅助判断特定的所述白像素分布特征的产生原因。
第三方面，本发明提供一种电子设备，包括存储器和处理器，所述存储器上存储有可在所述处理器上运行的程序，当所述程序被所述处理器执行时，使得所述电子设备实现执行上述任一方面的任意一种可能的设计的方法。
第四方面，本发明提供一种可读存储介质，所述可读存储介质内存储有程序，所述程序被执行时，实现上述任一方面的任意一种可能的设计的方法。
附图说明
图1为本发明提供的一种分析图像传感器白像素分布的方法的流程示意图；
图2为本发明提供的数据清洗示意图；
图3中的(a)为本发明提供的一种时域统计示意图；
图3中的(b)为本发明提供的一种中轨线示意图；
图3中的(c)为本发明提供的一种上轨线示意图；
图3中的(d)为本发明提供的一种下轨线示意图；
图3中的(e)为本发明提供的一种包络线示意图；
图4为本发明提供的数据集结构示意图；
图5为本发明提供的一种特征重要度排序示意图；
图6为本发明提供的一种可视化分析示意图；
图7为本发明提供的一种分析图像传感器白像素分布的装置示意图；
图8为本发明提供的一种电子设备示意图。
图中标号：
800、装置；801、预处理单元；802、预判单元；803、时域分析单元；804、处理单元；805、数据标记单元；806、数据结构化单元；
900、电子设备；901、处理器；902、存储器；903、输出接口；904、通信接口；905、天线。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。除非另外定义，此处使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。本文中使用的“包括”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。
在本发明实施例的描述中，以下实施例中所使用的术语只是为了描述特定实施例的目的，而并非旨在作为对本发明的限制。如在本发明的说明书和所附权利要求书中所使用的那样，单数表达形式“一种”、“所述”、“上述”、“该”和“这一”旨在也包括例如“一个或多个”这种表达形式，除非其上下文中明确地有相反指示。还应当理解，在本发明以下各实施例中，“至少一个”、“一个或多个”是指一个或两个以上(包含两个)。术语“和/或”，用于描述关联对象的关联关系，表示可以存在三种关系；例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B的情况，其中A、B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。
在本说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本发明的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。术语“连接”包括直接连接和间接连接，除非另外说明。“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。
在本发明实施例中，“示例性地”或者“例如”等词用于表示作例子、例证或说明。本发明实施例中被描述为“示例性地”或者“例如”的任何实施例或设计方案不应被解释为比其它实施例或设计方案更优选或更具优势。确切而言，使用“示例性地”或者“例如”等词旨在以具体方式呈现相关概念。
图1为本发明提供的一种分析图像传感器白像素分布的方法的流程示意图。
如图1所示，本发明的提供了一种分析图像传感器白像素分布的方法，所述方法包括：
S101.将图像传感器在测试中获取的图像数据进行二值化处理，得到二值图；从所述二值图中提取白像素分布特征；
在一种可能的实施例中，所述二值图为黑白二色图，用于反映图像数据中白像素的分布位置；在另一些可能的实施例中，所述二值图也可以是数值矩阵的形式。
S102.依据聚类算法对所述白像素分布特征进行聚类分组，并标记聚类集合的白像素分布所述特征，得到标签数据组；所述标签数据组包含有若干特定标签数据；
在一种可能的实施例中，对所述白像素分布特征进行聚类分组的方法可以是通过人工经验合并聚类，还可以是通过算法合并聚类。
在一种可能的实施例中，所述方法还包括合并聚类，用于将同一工艺原因导致的白像素分布特征聚类标记为同一个标签，将不同工艺原因导致的白像素分布特征聚类标记为不同标签。
在一种可能的实施例中，可以是通过随机森林算法或K均值聚类算法(k-meansclustering algorithm)学习训练合并聚类；
在另一种可能的实施例中，可以是通过其他分类算法对所述白像素分布特征进行自动分类。
S103.将设备数据结构化获得硬件数据，通过所述硬件数据结合所述标签数据组构建数据集；
在一种可能的实施例中，所述将设备数据结构化包括腔体编码赋值和数据清洗；所述腔体编码赋值包括，对腔体编码通过演化算法或具有遗传特性的编码方法进行赋值，生成若干腔体数据；所述腔体数据用于区分图像传感器芯片在流片过程中是否经过所述腔体编码对应的腔体；所述数据清洗包括：仅保留所述图像传感器芯片在同一腔体中，时间跨度最长的腔体数据，记为硬件数据。
图2为本发明提供的数据清洗示意图。
在一种可能的具体实施例中，如图2所示，一个图像传感器芯片在流片过程中先后经过腔体A和腔体B；其中，在腔体A中时，腔体数据包含t1、t2和t3；在腔体B中时，腔体数据包含t4和t5；数据清洗时，比较腔体A中的t1、t2和t3的时间跨度，取时间跨度最长的t1作为硬件数据；比较腔体B中的t4和t5的时间跨度，取时间跨度最长的t5作为硬件数据。
值得说明的是，所述标签可以是根据聚类结果新建立的，也可以是已有的标签包括聚类结果。
S104.对所述标签数据组进行时序统计，提取所述数据集中的所述特定标签数据的产生的时域，利用所述时域中的所述硬件数据和所述特定标签数据，构建子数据集；
在一种可能的实施例中，所述方法还包括：依据不同的所述白像素分布特征，对所述硬件数据进行时序统计并进行时域分割，保留时域中产生特定的所述白像素分布特征的硬件数据和所述特定标签数据。
图3中的(a)为本发明提供的一种时域统计示意图；图3中的(b)为本发明提供的一种中轨线示意图；图3中的(c)为本发明提供的一种上轨线示意图；图3中的(d)为本发明提供的一种下轨线示意图；图3中的(e)为本发明提供的一种包络线示意图。
如图3的(a)所示，首先以时间轴为横坐标T，以产生特定的白像素分布的图像传感器芯片数量为纵坐标Y，绘制时域统计示意图，展示了各时段中产生特定的白像素分布的图像传感器芯片数量；根据图3中的(a)，绘制布林带图中轨如图3中的(b)所示，展示了各时段与其前一时段的均值，反映了特定的白像素分布数量变化趋势；根据根据图3中的(a)和(b)，绘制布林带图上轨和下轨，如图3中的(c)和(d)所示，用于预测可能的变化范围；根据图3中的(c)和(d)，可绘制布林带图包络，在时域分割时仅保留包络区域中纵坐标非零的时段。
在一种可能的具体实施例中，如图3中的(e)所示，切割保留时刻T1至时刻T2之间的时段。
在一种可能的实施例中，所述数据集包括一列产品序号、若干列硬件数据和一列标签数据。
图4为本发明提供的数据集结构示意图。
在一种可能的实施例中，如图4所示，所述数据集包括：一列所述产品序号A1至AY，用于区分各图像传感器芯片；一列标签数据，用于分别记录每一个图像传感器芯片的白像素分布的类型；若干列硬件数据，用于分别记录每一个图像传感器芯片在流片过程经过的所有腔体。
在一种可能的实施例中，所述方法还包括：通过计算特定的所述白像素分布特征在流片顺序中的重复周期，辅助判断特定的所述白像素分布特征的产生原因。
在一种可能的具体实施例中，根据产品序号排序，标签J的所述白像素分布特征呈现每2个出现一次的分布规律，再结合工艺设备中，执行同一工艺的腔体有2个，可初步推断，其中一个工艺腔体导致了标签J的所述白像素分布特征。
在另一些实施例中，某标签的所述白像素分布特征呈现每M个出现一次的分布规律，再结合工艺设备中，执行同一工艺的腔体有N个，M和N为正整数，且M和N互为整数倍关系，可初步推断，其中一个工艺腔体导致了标签J的所述白像素分布特征。
S105.处理所述子数据集中的所述硬件数据，得到所述硬件数据的特征重要度；
在一种可能的实施例中，所述方法还包括，通过相关性分析进行初步特征选择，应用随机森林算法对所述白像素分布特征进行训练，然后计算特征重要度；示例性的，当两个特征的相关度大于0.9时，只取其中的一个特征做重要度计算。其有益效果在于，避免了随机森林算法在计算相关性高的特征时特征重要度偏低的缺陷，有利于精准判断特征重要度。
S106.依据所述特征重要度排列所述硬件数据，统计所述特定标签数据和前N个最重要的导致所述白像素分布产生的硬件特征，N为大于零的整数；
在一种可能的实施例中，所述方法还包括：对所述特征重要度从大到小排序后画出特征重要度曲线；根据所述特征重要度曲线选取拐点前的N个特征，N为大于零的正整数。
图5为本发明提供的一种特征重要度排序示意图。
在一种可能的具体实施例中，如图5所示，所述拐点的定义为曲线中前后倾角变化最大的点，易得拐点为B点，因此选取拐点前的1个特征作为最重要的特征。
在一种可能的实施例中，所述拐点的选择方法可以是手肘法：当N取在B之前时，曲线急速下降；当N取在B之后时，曲线趋于平稳，通过手肘法我们认为拐点为B标签，因此选取拐点前的N个特征作为最重要的特征；
在另一种可能的实施例中，所述拐点的选择方法也可以是间隙统计算法(Gapstatistic)。
S107.对所述特定标签数据做人工分析，最终确定导致特定的所述白像素分布特征产生的工艺原因。
图6为本发明提供的一种可视化分析示意图。
在一种可能的实施例中，以标签A对应的特定的所述白像素分布特征为例，对同一批次的300个图像传感器芯片流片过程中，是否经过当前腔体的数量进行人工分析。如图6所示：硬件数据为0且没有标签A的所述白像素分布特征的图像传感器芯片数量为183个；硬件数据为1且没有标签A的所述白像素分布特征的图像传感器芯片数量为0个；硬件数据为0且具有标签A的所述白像素分布特征的图像传感器芯片数量为0个；硬件数据为1且具有标签A的所述白像素分布特征的图像传感器芯片数量为117个；可得，在300个图像传感器芯片中，经过当前腔体的117个图像传感器芯片具有标签A的所述白像素分布特征，其余183个图像传感器芯片没有标签A的所述白像素分布特征，因此导致标签A的所述白像素分布特征的工艺原因位于当前设备腔体内。
在一种可能的实施例中，可以根据现有的图像传感器芯片的白像素分布规律，预测工艺设备接下来生产的图像传感器芯片的所述白像素分布特征。
图7为本发明提供的一种分析图像传感器白像素分布的装置示意图。
基于上述分析图像传感器白像素分布的方法，本申请实施例还公开一种分析图像传感器白像素分布的装置，用于上述任一项所述的方法，如图7所示，所述装置800包括：
预处理单元801，用于将图像传感器在测试中获取的图像数据进行二值化处理，得到二值图；所述预处理单元801还用于从所述二值图中提取所述白像素分布特征；
数据标记单元805，用于对所述白像素分布特征进行聚类分组，并标记聚类集合的所述白像素分布特征，得到标签数据；
数据结构化单元806，用于将设备数据结构化获得硬件数据，通过所述硬件数据结合所述标签数据构建数据集；
时域分析单元803，用于对所述标签数据组进行时序统计，提取所述数据集中的所述特定标签数据的产生的时域，利用所述时域中的所述硬件数据和所述特定标签数据，构建子数据集；处理所述子数据集中的所述硬件数据，得到所述硬件数据的特征重要度；
处理单元804，用于依据所述特征重要度排列所述硬件数据，统计所述特定标签数据和确定的前N个最重要的所述特征，N为大于零的整数；用于对所述特定标签数据做人工分析，最终确定导致特定的所述白像素分布特征产生的工艺原因。
在一种可能的实施例中，所述数据结构化单元还用于腔体编码赋值和数据清洗；所述腔体编码赋值包括，对腔体编码通过演化算法或具有遗传特性的编码方法进行赋值，生成若干腔体数据；所述腔体数据用于区分图像传感器芯片在流片过程中是否经过所述腔体编码对应的腔体；所述数据清洗包括：仅保留所述图像传感器芯片在同一腔体中，时间跨度最长的腔体数据，记为硬件数据。
在一种可能的实施例中，所述演化算法可以是遗传算法。
在另一种可能的实施例中，所述具有遗传特性的编码方法包括根据所述图像传感器芯片流片过程中是否经过所述腔体分别对所述腔体对应的腔体编码进行0,1赋值。
在一种可能的实施例中，所述数据标记单元805还用于合并聚类，包括：将同一工艺原因导致的所述白像素分布特征聚类标记为同一个标签，不同工艺原因导致的所述白像素分布特征聚类标记为不同标签。
在一种可能的实施例中，所述时域分析单元803还用于对所述标签数据组进行时序统计，绘制所述特定标签数据的数量在时序中的布林带图，以所述布林带图的上轨的最低点之间的时段为时域，提取所述数据集在所述时域中的所述硬件数据和所述特定标签数据，构建子数据集。
在一种可能的实施例中，所述处理单元804还用于对所述特征重要度从大到小排序后画出特征重要度曲线；根据所述特征重要度曲线选取拐点前的N个特征，N为大于零的正整数。
在一种可能的实施例中，所述装置800还包括预判单元802，用于通过所述白像素分布特征在流片顺序中的重复周期辅助判断特定的所述白像素分布特征的产生原因。
应理解，所述预处理单元801、数据标记单元805、数据结构化单元806、时域分析单元803和处理单元804，上述单元中的一部分可以是中央处理单元(Central ProcessingUnit，CPU)或图形处理器(Graphics Processing Unit，GPU)，该处理器还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(ApplicationSpecific Integrated Circuit，ASIC)、现成可编程门阵列(fieldprogrammable gatearray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件器组合执行完成。
值得说明的是，所述图像传感器具有利用光电器件的光电转换功能将感光面上的光像转换为与光像成相应比例关系的电信号的能力。在实现过程中，图像传感器可以是电荷藕合(Charged Coupled Device，CCD)图像传感器、互补金属氧化物导体(ComplementaryMetal-Oxide Semiconductor，CMOS)图像传感器。应理解，本文描述的装置和方法中的图像传感器旨在包括但不限于这些和任意其它适合类型的图像传感器。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
图8为本发明提供的一种电子设备示意图。
本申请实施例还公开一种电子设备，如图8所示，包括存储器902和处理器901，所述存储器902上存储有可在所述处理器901上运行的程序，当所述程序被所述处理器执行时，使得所述电子设备实现执行上述任一方面的任意一种可能的设计的方法。
在一种可能的实施例中，所述处理器901的数量可以是一个或若干个，所述处理器901用于实现所述预处理单元801、数据标记单元805、数据结构化单元806、时域分析单元803和处理单元804的功能。
在一种可能的实施例中，所述电子设备还包括：输出接口903，用于结果输出；通信接口904，用于通信传输信号；天线905，用于发射或接收信号。
应理解，在本发明实施例中的处理器可以是中央处理单元(Central ProcessingUnit，CPU)或图形处理器(Graphics Processing Unit，GPU)，该处理器还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(ApplicationSpecific Integrated Circuit，ASIC)、现成可编程门阵列(Field Programmable GateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本发明所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。
在一种可能的设计中，所述处理器901和存储器902可以单独设置，也可以集成在同一块集成电路芯片上。
应注意，本发明实施例中的处理器901可以是一种图像处理芯片或一种集成电路芯片，具有对图像信号的处理能力。在实现过程中，上述方法实施例的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(ApplicationSpecific Integrated Circuit，ASIC)、现成可编程门阵列(Field Programmable GateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成，或者用译码处理器中的硬件及软件模块器组合执行完成。软件模块可以位于随机存储器，闪存、只读存储器，可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。
可以理解，本发明实施例中的存储器902可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。其中，非易失性存储器可以是只读存储器(Read-Only Memory，ROM)、可编程只读存储器(Programmable ROM，PROM)、可擦除可编程只读存储器(Erasable PROM，EPROM)、电可擦除可编程只读存储器(Electrically EPROM，EEPROM)或闪存。易失性存储器可以是随机存取存储器(Random Access Memory，RAM)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用，例如静态随机存取存储器(Static RAM，SRAM)、动态随机存取存储器(Dynamic RAM，DRAM)、同步动态随机存取存储器(Synchronous DRAM，SDRAM)、双倍数据速率同步动态随机存取存储器(Double Data RateSDRAM，DDR SDRAM)、增强型同步动态随机存取存储器(Enhanced SDRAM，ESDRAM)、同步连接动态随机存取存储器(Synchlink DRAM，SLDRAM)和直接内存总线随机存取存储器(DirectRambus RAM，DR RAM)。应注意，本文描述的系统和方法的存储器旨在包括但不限于这些和任意其它适合类型的存储器。
本申请实施例还公开一种可读存储介质，所述可读存储介质内存储有程序，所述程序被执行时，实现上述任一方面的任意一种可能的设计的方法。
值得说明的是，所述方法如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该软件产品存储在一个存储介质中，包括若干指令用以使得电子设备(可以是服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(RandomAccess Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
本发明实施例还提供了一种程序产品，该程序产品被电子设备执行时实现上述任一方法实施例所述方法。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以程序产品的形式实现。所述程序产品包括一个或多个指令。在电子设备上加载和执行所述指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述指令可以存储在可读存储介质中，或者从一个可读存储介质向另一个可读存储介质传输，例如，所述指令可以从一个网站站点、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(Digital Subscriber Line，DSL))或无线(例如红外、蓝牙、微波等)方式向另一个网站站点、服务器或数据中心进行传输。所述可读存储介质可以是电子设备能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如，软盘、硬盘、磁带)、光介质(例如，高密度数字视频光盘(Digital Video Disc，DVD))、或者半导体介质(例如，固态硬盘(Solid State Disk，SSD))等。
应理解，上述装置可以是一个芯片，所述处理器可以通过硬件来实现也可以通过软件来实现，当通过硬件实现时，该处理器可以是逻辑电路、集成电路等；当通过软件来实现时，该处理器可以是一个通用处理器，通过读取存储器中存储的软件代码来实现，该存储器可以集成在处理器中，可以位于所述处理器之外，独立存在。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
虽然在上文中详细说明了本发明的实施方式，但是对于本领域的技术人员来说显而易见的是，能够对这些实施方式进行各种修改和变化。但是，应理解，这种修改和变化都属于权利要求书中所述的本发明的范围和精神之内。而且，在此说明的本发明可有其它的实施方式，并且可通过多种方式实施或实现。
Claims (14)
1.一种分析图像传感器白像素分布的方法，其特征在于，所述方法包括：
将图像传感器在测试中获取的图像数据进行二值化处理，得到二值图；从所述二值图中提取白像素分布特征；
依据聚类算法对所述白像素分布特征进行聚类分组，并标记聚类集合的白像素分布所述特征，得到标签数据组；所述标签数据组包含有若干特定标签数据；
将设备数据结构化获得硬件数据，通过所述硬件数据结合所述标签数据组构建数据集；
对所述标签数据组进行时序统计，提取所述数据集中的所述特定标签数据的产生的时域，利用所述时域中的所述硬件数据和所述特定标签数据，构建子数据集；
处理所述子数据集中的所述硬件数据，得到所述硬件数据的特征重要度；
依据所述特征重要度排列所述硬件数据，统计所述特定标签数据和前N个最重要的导致所述白像素分布产生的硬件特征，N为大于零的整数；
对所述特定标签数据做人工分析，最终确定导致特定的所述白像素分布特征产生的工艺原因。
2.根据权利要求1所述的方法，其特征在于，
所述将设备数据结构化包括腔体编码赋值和数据清洗；
所述腔体编码赋值包括，对腔体编码通过演化算法或具有遗传特性的编码方法进行赋值，生成若干腔体数据；所述腔体数据用于区分图像传感器芯片在流片过程中是否经过所述腔体编码对应的腔体；
所述数据清洗包括：仅保留所述图像传感器芯片在同一腔体中，时间跨度最长的腔体数据，记为硬件数据。
3.根据权利要求1所述的方法，其特征在于，所述方法还包括合并聚类，用于将同一工艺原因导致的所述白像素分布特征聚类标记为同一个标签，将不同工艺原因导致的所述白像素分布特征聚类标记为不同标签。
4.根据权利要求1或2所述的方法，其特征在于，所述方法还包括：对所述标签数据组进行时序统计，绘制所述特定标签数据的数量在时序中的布林带图，以所述布林带图的上轨的最低点之间的时段为时域，提取所述数据集在所述时域中的所述硬件数据和所述特定标签数据，构建子数据集。
5.根据权利要求1或2所述的方法，其特征在于，所述方法还包括：对所述特征重要度从大到小排序后画出特征重要度曲线；根据所述特征重要度曲线选取拐点前的N个特征，N为大于零的正整数。
6.根据权利要求1或2所述的方法，其特征在于，所述方法还包括：通过计算特定的所述白像素分布特征在流片顺序中的重复周期，辅助判断特定的所述白像素分布特征的产生原因。
7.一种分析图像传感器白像素分布的装置，用于所述权利要求1至6中任一项所述的方法，其特征在于，所述装置包括：
预处理单元，用于将图像传感器在测试中获取的图像数据进行二值化处理，得到二值图；所述预处理单元还用于从所述二值图中提取白像素分布特征；
数据标记单元，用于对所述白像素分布特征进行聚类分组，并标记聚类集合的白像素分布所述特征，得到标签数据组；所述标签数据组包含有若干特定标签数据；
数据结构化单元，用于将设备数据结构化获得硬件数据，通过所述硬件数据结合所述标签数据组构建数据集；
时域分析单元，用于对所述标签数据组进行时序统计，提取所述数据集中的所述特定标签数据的产生的时域，利用所述时域中的所述硬件数据和所述特定标签数据，构建子数据集；处理所述子数据集中的所述硬件数据，得到所述硬件数据的特征重要度；
处理单元，用于依据所述特征重要度排列所述硬件数据，统计所述特定标签数据和确定的前N个最重要的所述特征，N为大于零的整数；用于对所述特定标签数据做人工分析，最终确定导致特定的所述白像素分布特征产生的工艺原因。
8.根据权利要求7所述的装置，其特征在于，
所述数据结构化单元还用于腔体编码赋值和数据清洗；
所述腔体编码赋值包括，对腔体编码通过演化算法或具有遗传特性的编码方法进行赋值，生成若干腔体数据；所述腔体数据用于区分图像传感器芯片在流片过程中是否经过所述腔体编码对应的腔体；
所述数据清洗包括：仅保留所述图像传感器芯片在同一腔体中，时间跨度最长的腔体数据，记为硬件数据。
9.根据权利要求7所述的装置，其特征在于，所述数据标记单元还用于合并聚类，包括：将同一工艺原因导致的所述白像素分布特征聚类标记为同一个标签，不同工艺原因导致的所述白像素分布特征聚类标记为不同标签。
10.根据权利要求7或8所述的装置，其特征在于，所述时域分析单元还用于对所述标签数据组进行时序统计，绘制所述特定标签数据的数量在时序中的布林带图，以所述布林带图的上轨的最低点之间的时段为时域，提取所述数据集在所述时域中的所述硬件数据和所述特定标签数据，构建子数据集。
11.根据权利要求7或8所述的装置，其特征在于，所述处理单元还用于对所述特征重要度从大到小排序后画出特征重要度曲线；根据所述特征重要度曲线选取拐点前的N个特征，N为大于零的正整数。
12.根据权利要求7或8所述的装置，其特征在于，所述装置还包括预判单元，用于通过所述白像素分布特征在流片顺序中的重复周期辅助判断特定的所述白像素分布特征的产生原因。
13.一种电子设备，其特征在于，包括存储器和处理器，所述存储器上存储有可在所述处理器上运行的程序，当所述程序被所述处理器执行时，使得所述电子设备实现权利要求1至6中任一项所述的方法。
14.一种可读存储介质，所述可读存储介质内存储有程序，其特征在于，所述程序被执行时，实现权利要求1至6中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111508498.9A CN114155238B (zh) | 2021-12-10 | 2021-12-10 | 分析图像传感器白像素分布的方法、装置、设备和介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111508498.9A CN114155238B (zh) | 2021-12-10 | 2021-12-10 | 分析图像传感器白像素分布的方法、装置、设备和介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114155238A CN114155238A (zh) | 2022-03-08 |
| CN114155238B true CN114155238B (zh) | 2024-03-29 |
Family
ID=80450572
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111508498.9A Active CN114155238B (zh) | 2021-12-10 | 2021-12-10 | 分析图像传感器白像素分布的方法、装置、设备和介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114155238B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2015002545A (ja) * | 2013-06-18 | 2015-01-05 | コニカミノルタ株式会社 | 画像処理システム、電子ペーパー端末およびその残像低減プログラム |
| CN106449682A (zh) * | 2016-10-10 | 2017-02-22 | 上海华力微电子有限公司 | 一种降低背照式cmos图像传感器白像素的方法 |
| CN111294588A (zh) * | 2020-02-21 | 2020-06-16 | 上海集成电路研发中心有限公司 | 一种cmos图像传感器中白色像素分布的分析装置及方法 |
-
2021
- 2021-12-10 CN CN202111508498.9A patent/CN114155238B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2015002545A (ja) * | 2013-06-18 | 2015-01-05 | コニカミノルタ株式会社 | 画像処理システム、電子ペーパー端末およびその残像低減プログラム |
| CN106449682A (zh) * | 2016-10-10 | 2017-02-22 | 上海华力微电子有限公司 | 一种降低背照式cmos图像传感器白像素的方法 |
| CN111294588A (zh) * | 2020-02-21 | 2020-06-16 | 上海集成电路研发中心有限公司 | 一种cmos图像传感器中白色像素分布的分析装置及方法 |
Non-Patent Citations (1)
| Title |
|---|
| 离子注入对图像传感器两种白色像素的影响;张武志;;中国集成电路;20170805(第08期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114155238A (zh) | 2022-03-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113763355A (zh) | 一种缺陷检测方法、装置、电子设备及存储介质 | |
| CN106649831B (zh) | 一种数据过滤方法及装置 | |
| CN110706206A (zh) | 荧光细胞计数方法、装置、终端设备及存储介质 | |
| CN109063611A (zh) | 一种基于视频语义的人脸识别结果处理方法和装置 | |
| CN115018840B (zh) | 精密铸件裂纹检测方法、系统及装置 | |
| Xie et al. | Bag-of-words feature representation for blind image quality assessment with local quantized pattern | |
| CN111310835A (zh) | 目标对象的检测方法及装置 | |
| CN115801463B (zh) | 工业互联网平台入侵检测的方法、装置和电子设备 | |
| CN110751191A (zh) | 一种图像的分类方法及系统 | |
| CN110991437B (zh) | 字符识别方法及其装置、字符识别模型的训练方法及其装置 | |
| CN113568836B (zh) | 多时间序列的样本特征提取方法以应用其的软件检测方法 | |
| US9286217B2 (en) | Systems and methods for memory utilization for object detection | |
| CN112117003A (zh) | 一种肿瘤风险等级划分方法、系统、终端以及存储介质 | |
| CN114155238B (zh) | 分析图像传感器白像素分布的方法、装置、设备和介质 | |
| CN116610821B (zh) | 一种基于知识图谱的企业风险分析方法、系统和存储介质 | |
| CN113723467A (zh) | 用于缺陷检测的样本收集方法、装置和设备 | |
| CN115564776B (zh) | 基于机器学习的异常细胞样本检测方法和装置 | |
| CN116451081A (zh) | 数据漂移的检测方法、装置、终端及存储介质 | |
| CN115908363A (zh) | 肿瘤细胞统计方法、装置、设备和存储介质 | |
| CN113591816B (zh) | 基于自监督引导编码网络的高光谱异常检测方法和系统 | |
| CN116049644A (zh) | 特征筛选和聚类分箱方法、装置、电子设备及存储介质 | |
| CN109949378B (zh) | 图像灰度值排序方法、装置、电子设备及计算机可读介质 | |
| CN113052635A (zh) | 人口属性标签预测方法、系统、计算机设备和存储介质 | |
| CN115620210B (zh) | 基于图像处理的电子线料的性能确定方法及系统 | |
| CN115879978A (zh) | 客户异动的处理方法、装置及服务器 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |